Spectral- and Energy-efficient Multi-BS Multi-RIS Pinching-antenna Systems: A GNN-based Approach

Riepilogo Tecnico: Sistemi a Antenne Pinching Multi-BS Multi-RIS Efficienti in Spettro ed Energia

Enunciato del Problema
Questo articolo affronta la trasmissione in downlink coordinata in un sistema a antenne pinching (PA) assistito da più stazioni base (multi-BS) e da più superfici intelligenti riconfigurabili (multi-RIS). In questa architettura, ogni apparato utente (UE) è servito da una singola BS, dove ogni BS è dotata di PA mobili dispiegate su guide d'onda parallele. Il sistema mira a massimizzare la somma delle velocità (SR) o l'efficienza energetica (EE) ottimizzando congiuntamente quattro variabili strettamente accoppiate:

1. Posizionamento delle PA: Le posizioni fisiche delle antenne mobili sulle guide d'onda.
2. Sfasamenti RIS: I coefficienti di riflessione delle superfici intelligenti.
3. Formazione del fascio di trasmissione: I vettori di precodifica a banda base.
4. Associazione BS-UE: La mappatura degli UE su BS specifiche.

L'ottimizzazione è vincolata dai requisiti di spaziatura inter-PA, dai budget di potenza totali e dai vincoli di modulo unitario per le fasi RIS. Il problema è caratterizzato come un compito di ottimizzazione a variabili miste altamente accoppiato, che coinvolge variabili continue, binarie e a modulo unitario. Gli algoritmi iterativi tradizionali sono considerati computazionalmente proibitivi e soffrono di scarsa scalabilità in topologie di rete dinamiche su larga scala.

Metodologia
Per risolvere questo complesso problema di ottimizzazione, gli autori propongono una Rete Neurale Grafica (GNN) a tre stadi addestrata in modo non supervisionato, end-to-end. Il framework è progettato per gestire la struttura relazionale della rete (BS, RIS e UE) e garantire la fattibilità delle variabili di output senza fare affidamento su termini di penalità nella funzione di perdita.

L'architettura proposta consiste in tre stadi sequenziali:

1. Stadio 1 (ChanGNN): Utilizza una rappresentazione a grafo eterogeneo contenente nodi BS, UE e RIS. Impiega Strati di Attenzione su Grafi Eterogenei Complessi (CHAL) per apprendere congiuntamente le posizioni delle PA e gli sfasamenti RIS basandosi sulle posizioni dei nodi.
   • Meccanismo di Fattibilità: Le posizioni delle PA sono ricostruite da variabili di spaziatura ausiliarie utilizzando scaling e normalizzazione sigmoide per soddisfare i vincoli di spaziatura minima e di confine. Le fasi RIS sono normalizzate a modulo unitario.
2. Stadio 2 (BeamGNN): Utilizza un grafo omogeneo in cui i nodi rappresentano i collegamenti BS-UE. Impiega Strati di Attenzione su Grafi Complessi (CGAL) per apprendere i vettori di formazione del fascio di trasmissione.
   • Meccanismo di Fattibilità: La rete produce coefficienti ibridi e allocazioni di potenza, che vengono elaborati attraverso uno schema di apprendimento ibrido Zero-Forcing e Massima Rapporto di Trasmissione (HZM) per generare vettori di formazione del fascio validi.
3. Stadio 3 (AssocGNN): Opera sullo stesso grafo omogeneo ma si concentra sulle caratteristiche del guadagno di formazione del fascio per determinare la matrice di associazione BS-UE.
   • Meccanismo di Fattibilità: Durante l'addestramento viene utilizzata una rilassazione Gumbel-Softmax per consentire l'ottimizzazione differenziabile delle variabili di associazione binarie, seguita da un'assegnazione rigida (argmax) durante l'inferenza. La normalizzazione della potenza per BS garantisce il rispetto dei vincoli del budget di potenza.

Il modello integra sia rappresentazioni a grafo eterogeneo che omogeneo per catturare interazioni diversificate (ad esempio, BS-RIS, interferenza intra-BS, competizione inter-BS).

Contributi Chiave

• Framework di Ottimizzazione Unificato: L'articolo formula problemi di massimizzazione di SR ed EE per un sistema PA multi-BS multi-RIS, ottimizzando congiuntamente il posizionamento delle PA, la configurazione RIS, la formazione del fascio e l'associazione sotto vincoli pratici.
• Architettura GNN a Tre Stadi: Gli autori propongono un'architettura innovativa (ChanGNN, BeamGNN, AssocGNN) che modella esplicitamente le interazioni eterogenee e omogenee. Introduce meccanismi di lettura che preservano la fattibilità per tutte le variabili decisionali, garantendo che i vincoli siano soddisfatti per progettazione piuttosto che tramite penalità soft.
• Scalabilità e Generalizzazione: Il metodo proposto è progettato per essere scalabile a numeri non visti di UE, BS e RIS attraverso la condivisione dei parametri e un bias induttivo basato sui grafi, evitando la necessità di riaddestramento quando le dimensioni della rete cambiano.

Risultati Numerici
Estese simulazioni dimostrano che la GNN a tre stadi proposta supera costantemente le linee di base rappresentative del sistema (ad esempio, sistemi senza RIS, sistemi a PA fisse, associazioni casuali) e le linee di base dei modelli (ad esempio, MLP, HAN a stadio singolo, GAT standard).

• Prestazioni: L'ottimizzazione congiunta della mobilità delle PA e della riconfigurazione RIS produce guadagni significativi sia in SR che in EE rispetto ai sistemi che utilizzano solo una di queste tecnologie.
• Generalizzazione: Il modello si generalizza bene a dimensioni del problema non viste (diversi numeri di UE, BS e RIS) e mantiene le prestazioni anche con discrepanze moderate di topologia tra addestramento e test.
• Efficienza: Il tempo di inferenza rimane al livello del millisecondo, rendendo l'approccio adatto al dispiegamento online.
• Studi di Ablazione: I risultati confermano la necessità di passaggio di messaggi, connessioni residue e mappature a valori complessi in ogni stadio. Lo studio mostra anche che i guadagni di prestazioni derivanti dalla mobilità delle PA aumentano con il numero di PA, saturando infine a causa dei gradi di libertà spaziali decrescenti.

Significato
L'articolo afferma di presentare il primo design di trasmissione efficace per sistemi PA nel contesto impegnativo dell'assistenza coordinata multi-BS multi-RIS. Colmando il divario tra la riconfigurazione spaziale lato trasmettitore (PA) e il controllo delle onde lato ambiente (RIS), il framework proposto offre una soluzione praticamente realizzabile per le future comunicazioni wireless 6G. Il lavoro evidenzia che combinare architetture di antenne flessibili con superfici intelligenti, gestite da un framework di deep learning scalabile, può migliorare significativamente l'efficienza spettrale ed energetica in ambienti dinamici multicella.